weixin_44950479的博客

原创 vscode python代码自动补全/代码提示失效

已经安装了插件Pylance，使用vscode时发现txt有提示，但py文件的提示没有了。网上搜了一堆方法都不管用。最终解决方法：这里原来是python，我改成了python3.7，就OK了对应的settings.json"python.defaultInterpreterPath": "python3.7"其他解决方法大概有这么几种，可以试一下：1.安装插件 Pylance 时注意一下红框这里2.设置添加了一堆设置以及勾选这个...

原创 ubuntu相关记录

1.中文输入法点击settingsRegion&Languageinput sources 点加号 添加Chinese 就行了2.安装anacondahttps://cloud.tencent.com/developer/article/16490083.安装vscodesudo snap install --classic code4.镜像源https://blog.csdn.net/ling_xiobai/article/details/78659981...

原创 ubuntu root用户安装记录

su - visudosu - 这一步输入密码，不对的话就改一下sudo passwd root打开的可能是nano也可能是vim，nano的话，ctrl+o保存，ctrl+x 退出找到root行，把这行复制到下一行然后把root改成要设置的用户名https://blog.csdn.net/weixin_44803446/article/details/103530746...

原创 conda命令失效

进入anaconda/bin路径source activate base

原创 获取文件路径&os模块常用功能

import os,sysprint("sys.path[0] = ", sys.path[0])print("sys.argv[0] = ", sys.argv[0])print("__file__ = ", __file__)print("os.path.abspath(__file__) = ", os.path.abspath(__file__))print("os.path.realpath(__file__) = ", os.path.realpath(__file__))print

原创 对梯度爆炸和梯度消失的一些理解

众所周知，RNN可能有梯度爆炸和梯度消失的情况，主要是由于在反向传播时loss函数对远端w权重值求导时会出现一个Ws高阶连乘以及hn对hn-1的导数，这个值是在[0,1]间的，因此连乘下来数值会越来越小，梯度的值接近零，于是远端的信息无法传递过来；如果Ws初始化的值太小也会导致梯度消失，太大则会梯度爆炸，也就是说相同的权重矩阵反复连乘。这里的梯度消失并不是参数完全不更新，而是更新被近距离的信息主导。LSTM有效的解决了这个问题，因为加了一个乘法门记忆单元，能通过参数来控制反向传播是按照与RNN类似的路径，

原创 conda安装某些包时找不到合适的源

问题：安装flair时报错Collecting package metadata (current_repodata.json): doneSolving environment: failed with initial frozen solve. Retrying with flexible solve.Collecting package metadata (repodata.json): doneSolving environment: failed with initial frozen s

原创 linux系统pytorch重装

""一些查看设备的命令""# cuda versioncat /usr/local/cuda/version.txt# ubuntu infomationcat /proc/version #查看驱动nvidia-smi#操作系统版本cat /etc/lsb-release#pytorchprint(torch.__version__)print(torch.version.cuda)print(torch.cuda.is_available())#gpu数量torch.c

原创 算法图解笔记（整合）

文章目录第一章 算法简介1.二分查找2.大O表示法第二章 选择排序1.内存工作原理2.数组和链表3.选择排序第三章 递归1.栈2.基线条件和递归条件3.递归调用栈2.读入数据总结第一章 算法简介1.二分查找适用于有序列表，yun2.大O表示法第二章 选择排序1.内存工作原理2.数组和链表3.选择排序第三章 递归1.栈2.基线条件和递归条件3.递归调用栈代码如下（示例）：import numpy as npimport pandas as pdimport m

原创 git 一些报错

fatal: Unable to create.git/index.lock’: File exists.这是commit时自动生成的文件，因为commit出错导致这个文件不能自动删除。解决方法：删除rm -rf xxxxxxxx/.git/index.lockaux.py文件出错导致不能push/pull/merge之前一起做项目的人在gitlab上push了一个aux.py的文件，然后我就各种操作都会报错，后来发现这是因为aux是windows系统的预留文件名，改个名字就好了。不过他.

原创 关于反应中心识别的一个问题解决办法

from rdkit import Chemsub_smi = r'C[C@@]12CCC(=O)C=C2CC[C@@]3([H])[C@]4([H])CC[C@@]([H])([C@@]4(C)CC[C@@]31[H])O'pro_smi = r'CC12CCC(=O)C=C2CCC3C1CCC4(C)C(CC(C34)O)O'sub_mol = Chem.MolFromSmiles(sub_smi, sanitize=0)pro_mol = Chem.MolFromSmiles(pro_sm.

原创 python按列标题读取csv内容

import csvfile_location = " "csv_file = open(file_location, 'r', encoding='utf-8')dict_file = csv.DictReader(csv_file)for row in dict_file: # type(row) = <class 'collections.OrderedDict'>

原创 Rdkit常用命令/参数设置

rdkit1.查看sdf """ 查看sdf """mols = Chem.SDMolSupplier('file_path')for mol in mols: #隐藏属性，得到第一行文字 ID = mol.GetProp('_Name') #得到所有分子属性 mol_keys = mol.GetPropsAsDict().keys() 2.绘制可视图片可以highlight反应物和生成物里相同的结构绘制带id的mol文件 """ 绘制反应可视图片 """def d

原创 python保存训练好的模型、加载模型

import pickle#save modelsave_file = open('save_path','w')pickle.dump('你的模型',save_file)save_file.close()#load modelmodel_file = open('save_path','r')model = pickle.load(model_file)model_file.close()from sklearn.externals import joblib#save model

原创 pycharm连接远程服务器

实现：win10本地project和linux服务器同步更新（只能同步上传）；用本地的pycharm+服务器python环境跑代码工具：MobaXterm、pycharm2020(专业版)1.新建项目以后为项目配置解释器2.选择add→SSH interpreter3.新建,填入服务器账号用户名密码，test connection是否连接成功 注意端口号填入port4.连接完成后next→interpreter选择服务器解释器环境→sync folders选择本地project映射过去

原创 python输出太长有省略号的解决办法

这是由于默认输出阈值比较小np.set_printoptions(threshold=np.nan)有的博主解决办法是这样的↑ 但是亲测没用哇解决办法：import sysnp.set_printoptions(threshold=sys.maxsize)

原创 openJDK清华镜像源&安装

作为java小白，了解了一些知识，整理如下：1.openJDK8清华镜像地址https://mirrors.tuna.tsinghua.edu.cn/AdoptOpenJDK/8/jdk/x64/windows/2.好多下载选项，选择哪一个呢msi版本是安装程序，推荐初学者使用安装程序64位有hotspot、openj9两种jvm类型，hotspot是官方的jvm，兼容性最好，因此一般用途推荐使用hotspot。jvm是Java Virtual Machine（Java虚拟机）openj9

原创 win10 rdkit下载及使用

准备：已经下载了anaconda以及python31.打开anaconda prompt2.安装conda create -c rdkit -n my-rdkit-env rdkit3.激活环境conda activate my-rdkit-env如图成功则如图检测是否成功每次使用都需要激活一下环境...

原创 两条序列联配

一、 序列联配的概念序列联配又叫序列比对，根据特定的计分规则，通过算法对多条蛋白质序列或DNA序列进行比对，找出最优匹配和最大相似度匹配。通过联配可以得到一个相似度比对值（根据计分规则算），这个值反映了他们的相似度、同源性、进化上的亲缘关系。序列联配分为局部联配和全局联配两种。全局联配就是对整个序列进行比对，而局部联配是得到得分最高的比对结果。同源性：存在进化方面的关系，可能是一个祖先进化来的。相似性：有相似程度。序列联配需要：两条以上序列、计分规则（生物信息学称计分矩阵）、确定最优联配的算法

原创 正则化

https://www.cnblogs.com/zingp/p/10375691.html

原创 制作启动U盘后出现“CD驱动器”问题

https://blog.csdn.net/qq_35456045/article/details/104592161

原创 ubuntu安装hhsuite/hhblits全过程！

1.由于是刚刚装好的ubuntu，首先需要安装一些必备工具例如git。sudo apt install git报错： 依赖: liberror-perl 但无法安装它解决：sudo apt-get updatesudo apt-get upgradegit安装成功！2.根据官网给出的方法安装hhsuite# 下载包git clone https://github.com/soedinglab/hh-suite.gitcd hh-suite# 编译最新版本，初始化子模块git

原创 联想小新13pro安装ubuntu双系统心得（解决无法识别启动U盘等问题）

我的电脑是联想小新13pro，这款电脑的特别之处在于，他的bios需要更新，不然无法识别启动U盘。 之前发现无法识别启动U盘很捉急，以为是盘没做好，尝试了各种方法浏览了各种贴吧论坛后发现原来是电脑本身的问题/(ㄒoㄒ)/~~所以在开始安装双系统之前先来更新一下bios！注意：官网提示，bios不要随便自己更新，一旦出错容易丢失文件可能还需要重装系统，总之很危险，最好备份一下电脑文件。 不过我在看了一些攻略以后也没备份直接尝试操作了，还好没出问题。更新bios的方法： https://mclub.len

原创 MOOC python数据分析（4）Matplotlib库

效果：http://matplotlib.org/gallery.htmlpyplot相当于快捷方式，简单调用各种可视化方式`import matplotlib.pyplot as plt`

原创 解决【This Python interpreter is in a conda environment, but the environment has not been activated.】

Warning:This Python interpreter is in a conda environment, but the environment hasnot been activated. Libraries may fail to load. To activate this environmentplease see https://conda.io/activation输入activate base，再输入python就好啦。

原创 MOOC python数据分析（3）PIL库/图像处理

图像的数组表示图像一般使用RGB色彩模式，即每个像素点的颜色由红®、绿(G)、蓝(B)组成，取值范围0-255。图像是由像素组成的二维矩阵，每个元素是一个RGB值。图像是一个三维数组，维度分别是高度、宽度和像素RGB值。数据类型：uint8PIL库PIL， （Python Image Library），图像处理的第三方库安装方法：pip install pillowfrom PIL import Image #PIL库代表一个图像的类图像变换读取图像RGB值，形成数组，改变RGB值，保存

原创 【GAN】生成对抗网络

GAN背景预备知识实战分析背景GoodfellowGenerative 生成Adversarial 对抗Network 网络能做什么压缩图像，再拉伸开，信息肯定有损，怎么补回来呢？bicubic差值补不清晰；SRResNet；超分辨率：何凯明...

原创 MOOC python数据分析（2）数据存取/随机数函数

CSV文件CSV (Comma‐Separated Value, 逗号分隔值)CSV是一种常见的文件格式，用来存储批量数据。但只能有效存储一维和二维数组。写入CSV文件的方法：np.savetxt(frame, array, fmt='%.18e', delimiter=None)可以写为任何文件，但一般用于保存为CSV文件。• frame : 文件、字符串或产生器，可以是.gz或.bz2的压缩文件。文件名字和格式，例如a.csv。• array : 存入文件的数组。• fmt : 写入文件的

原创 MOOC python数据分析（1）Numpy

Numpy提供了广播功能函数，用于数组计算。提供了整合了C/C++等代码的工具。提供了线性代数，随机数生成，傅里叶变换等功能。Numpy的使用 ： import numpy as np维度维度：一组数据的组织形式，数据在多个维度展开，能表达多种含义。一维数据： 对等关系。可以用列表、集合、数组表示。列表&数组列表：元素数据类型不同，可以是浮点型，字符串，列表等等数组：元素数据类型相同二维数据： 由多个一维数据组成。例如表格，表头可以是二维数据的一部分。 例如某

原创 pytorch（8）函数的梯度

saddle point 鞍点可能对x维度是极小值，对y维度是极大值，不能搜索到全局最小值，比局部极小值更可怕初始状态不同影响最终找到的是局部极小值还是全局最小值 一定要初始化 可以使用主流初始化方法步长影响速度和精度。太大可能会直接跨过最小值，导致不收敛 先设置小一点0.01，如果收敛再慢慢增大逃出局部最小值 escape minima 添加动量（惯性）v1是梯度引导的方向 v2是原来的方向。添加动量使得继续朝偏向v2方向前进，冲出局部极小值...

原创 pytorch（7）Where和Gather

Wheretorch.where(condition,x,y) →Tensor x是源头A，y是源头B有两个数据A和B，生成了C。C有可能来自于A，有可能部分来自A，C于A、B的对应关系规则写在condition里。out=x if conditionout=y if othewise实际含义：概率大于0.5时取A的对应位置的值gather 生成一张表torch.gather(input,dim,index,out=None) 收集，查表过程[dog cat...

原创 pytorch（6）Tensor统计

norm 范数 mormalize是正则化a=torch.full([8],1)b=a.view(2,4)c=a.view(2,2,2)bOut[6]: tensor([[1., 1., 1., 1.], [1., 1., 1., 1.]])cOut[7]: tensor([[[1., 1.], [1., 1.]], [[1., 1.], [1., 1.]]])a.norm(1),b.norm(1),c.n..

原创 pytorch（5）Tensor

拆分与合并Catdimention必须一致，设置dim 在哪个维度上拼接，除了拼接的维度外其他必须一致 torch.cat((A,B),dim)cas中dim的含义Stack创建新维度Stack中dim的含义Split按长度拆分，长度相同给定长度，长度不同用[m,n]给定Chunk按数量拆分，给定数量值计算加 add +减 sub乘 mul除 div[3，4]和[4]相加，利用broadcast机制直接相加矩阵相乘torch.mm(a,b)只用于二维t

原创 pytorch（4）Broadcasting

（3）创建Tensor

原创 pytorch（3）创建Tensor

1. 从numpy中引入import torchimport numpy as npa = np.array([2,3.3])torch.from_numpy(a) #不要写成 formOut[13]: tensor([2.0000, 3.3000], dtype=torch.float64)a = np.ones([3,3]) #指定形状，用1填充torch.from_nu...

原创 pytorch（2）手写数字识别引入&Pytorch 数据类型

（2）手写数字识别MNIST数据集10种数字0~9，每种数字有7000张图片，70k张图，每张图尺寸为28x28train/test splitting ：把这些图分为60k训练集和10k测试集。把一张灰度图表示为一个28x28的矩阵，元素为像素值，范围0~1。打平成一维，是28x28=784个元素的向量。类比简单线性问题y=wx+b，在手写数字识别问题中，x是[784]向量，y是0~9...

原创 pytorch（1）梯度下降

（1）梯度下降1.什么是梯度下降梯度gradient，是深度学习的核心精髓，许多专家称深度学习为gradient programming，deep learning其实就是求解一个巨复杂的函数，求解工具就是梯度下降算法。梯度下降算法核心公式: xn+1= xn - f’(xn)* (learning rate)其中learning rate通常取0.001，手写数据一般0.01。它的取值会...

原创 课程笔记(1)中的代码问题

np.array与np.asarray功能是一样的，都是将输入转为矩阵格式。当输入是列表的时候，更改列表的值并不会影响转化为矩阵的值。输入为数组时，np.array是将输入copy过去而np.asarray是将输入cut过去，所以随着输入的改变np.array的输出不变，而np.asarray的输出在变化.tolist是将数组转为list的格式，等同于np.array的反向，...

原创 循环神经网络（RNN LSTM）学习笔记 (1)

原创 聚类Kmeans学习笔记